既然使用神經(jīng)網(wǎng)絡(luò)也可以解決分類問題，那SVM、決策樹這些算法還有什么意義呢？這取決于數(shù)據(jù)量和樣本數(shù)。不同的樣本數(shù)和特征數(shù)據(jù)適合不同的算法。像神經(jīng)網(wǎng)絡(luò)這樣的深度學(xué)習(xí)算法需要訓(xùn)練大量的數(shù)據(jù)集來建立更好的預(yù)

既然使用神經(jīng)網(wǎng)絡(luò)也可以解決分類問題，那SVM、決策樹這些算法還有什么意義呢？

這取決于數(shù)據(jù)量和樣本數(shù)。不同的樣本數(shù)和特征數(shù)據(jù)適合不同的算法。像神經(jīng)網(wǎng)絡(luò)這樣的深度學(xué)習(xí)算法需要訓(xùn)練大量的數(shù)據(jù)集來建立更好的預(yù)測模型。許多大型互聯(lián)網(wǎng)公司更喜歡深度學(xué)習(xí)算法，因為他們獲得的用戶數(shù)據(jù)是數(shù)以億計的海量數(shù)據(jù)，這更適合于卷積神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)算法。

如果樣本數(shù)量較少，則更適合使用SVM、決策樹和其他機器學(xué)習(xí)算法。如果你有一個大的數(shù)據(jù)集，你可以考慮使用卷積神經(jīng)網(wǎng)絡(luò)和其他深度學(xué)習(xí)算法。

以下是一個圖表，用于說明根據(jù)樣本數(shù)量和數(shù)據(jù)集大小選擇的任何機器學(xué)習(xí)算法。

如果你認為它對你有幫助，你可以多表揚，也可以關(guān)注它。謝謝您

決策樹樹算法目前的應(yīng)用場景有哪些？

這兩種應(yīng)用場景是不同的。KD樹是k近鄰優(yōu)化搜索的常用方法。如果非要找出差異，典型的是KD樹在建樹過程中會反復(fù)使用全維特征，決策樹方法的關(guān)鍵步驟如下：1。繪制決策樹。決策樹的繪制過程就是對未來可能發(fā)生的各種事件進行仔細思考和預(yù)測的過程。最后，我們繪制了概率分支。

2. 概率值由專家估計法或試驗數(shù)據(jù)計算，概率值寫在概率分支的位置上。

3. 損益的預(yù)期值是從樹的頂部，從右到左計算的。采用期望值法進行計算。如果決策目標(biāo)是盈利，則比較每個分支，選擇期望值最高的分支，然后修剪其他分支。

1. 決策樹易于理解和實現(xiàn)。經(jīng)過解釋，人們有能力理解決策樹的含義。

2. 對于決策樹來說，數(shù)據(jù)準(zhǔn)備往往是簡單的或不必要的。其他技術(shù)通常需要數(shù)據(jù)泛化，例如刪除冗余或空白屬性。

3. 它可以同時處理數(shù)據(jù)類型和常規(guī)類型屬性。其他技術(shù)通常需要單個數(shù)據(jù)屬性。

4. 在相對較短的時間內(nèi)，對于大數(shù)據(jù)源可以取得可行的、良好的效果。

5. 它對缺少的值不敏感

6。它可以處理無關(guān)的特征數(shù)據(jù)

7。效率高。決策樹只需構(gòu)建一次，重復(fù)使用。每個預(yù)測的最大計算次數(shù)不超過決策樹的深度。

很難預(yù)測連續(xù)場。

2. 對于具有時間序列的數(shù)據(jù)，需要進行大量的預(yù)處理。

3. 當(dāng)類別太多時，錯誤可能會增加得更快。

4. 一般算法分類，只根據(jù)一個字段進行分類。

5. 在處理特征相關(guān)性強的數(shù)據(jù)時，性能不是很好